轮次角色动作第一轮模型决策（是否需要工具）+ 规划（调用哪个工具）应用端应用执行（实际运行工具）第二轮模型整合（基于结果生成回复）我们从的文档中也可以窥见端倪。工具 = 数据 (schema) + 处理函数映射表. 模型选一个名字, 你查表执行.TOOLS: JSON schema 字典列表, 告诉模型有哪些工具可用., 将工具名映射到 Python 函数.: 字典查找 +**kwargs分发.内

轮次角色动作第一轮模型决策（是否需要工具）+ 规划（调用哪个工具）应用端应用执行（实际运行工具）第二轮模型整合（基于结果生成回复）我们从的文档中也可以窥见端倪。工具 = 数据 (schema) + 处理函数映射表. 模型选一个名字, 你查表执行.TOOLS: JSON schema 字典列表, 告诉模型有哪些工具可用., 将工具名映射到 Python 函数.: 字典查找 +**kwargs分发.内

对象在调用LLM的时候，提供的请求和响应内容是什么样子的。下面的代码模拟了一个Agent内部的执行流程（ReAct循环），我们使用这个Agent来根据苏州的天气给出一些着装建议。对象采用基于文本补全的无状态的Completion API来与模型进行交互，如果需要采用有状态的Responses API，需要调用。对象来获取LLM的最终回复。是一个与OpenAI的API进行交互的客户端，我们可以指定模